Įmonių finansinių įsipareigojimų neįvykdymo tikimybės vertinimas nustatant kredito reitingus
LTKomerciniams bankams aktualu ieškoti metodų ir rodiklių, kuriais remiantis galima sudaryti vidaus reitingų modelius ir vertinti įmonių kredito riziką. Straipsnio tyrimo tikslas – sudaryti įmonių kredito rizikos vertinimo modelį, kuriuo galima įmonėms priskirti kredito reitingus ir įvertinti finansinių įsipareigojimų neįvykdymo tikimybę. Tyrimo rezultatai parodė, kad taikant dirbtinių neuronų tinklus kartu su kitais statistiniais duomenų analizės metodais galima suformuoti veiksmingą įmonių kredito rizikos vertinimo modelį, kuriuo nustatomas įmonės kredito reitingas ir įvertinama finansinių įsipareigojimų neįvykdymo tikimybė per ateinančius finansinius metus. Modelis tinkamas vertinti įmonių kredito rizikai, kurių veiklos trukmė yra ne trumpesnė kaip 3 metai. Statistinių duomenų analizės metodų taikymas gali sumažinti banko darbuotojų darbo apimtis vertinant kredito riziką ir su tuo susijusius paskolų administravimo kaštus. Tai sutrumpina bendrą kredito rizikos vertinimo proceso trukmę. Rezultatas apie kliento kredito riziką gaunamas į modelį įvedus reikalingus duomenis apie klientą. Sudaryto įmonių kredito reitingų modelio skalėje mažėjant kredito reitingui, įmonių finansinių įsipareigojimų neįvykdymo tikimybė tolygiai didėja. Remiantis modelio rezultatais, AAA – C reitingų įmonės būtų finansuojamos, o D reitingo įmonėms paskolos nebūtų suteikiamos. Modeliu nustatyta įmonių finansinių įsipareigojimų neįvykdymo tikimybė gali padėti suskaičiuoti rizikos kapitalo poreikį bankuose ir nustatyti finansuojamų įmonių paskolų palūkanų normą.Reikšminiai žodžiai: Bankai; Kredito reitingai; Kredito rizika; Statistinė analizė; Banks; Credit ratings; Credit risk; Statistical analysis.
- A Macroeconometric model with the financial sector for the case of the Lithuanian economy / Tomas Ramanauskas. Pinigų studijos. 2011, Nr. 1, p. 5-30.
- Development of enterprise credit risk assessment model for Lithuanian credit unions / Renatas Špicas, Rasa Kanapickienė, Mindaugas Vijūnas, Robertas Kirka. Transformations in business & economics. 2018, vol. 17, no. 1 (43), p. 152-177.
- Filter methods of variable selection for enterprise credit risk prediction / Renatas Spicas, Rasa Kanapickiene, Monika Ivaskeviciute. Perspectives of business and entrepreneurship development: economic, management, finance and system engineering from the academic and practioners views, May 28-29, 2015, Brno, Czech Republic : proceedings of selected papers / editors: I. Simberova, A. Kocmanova. Brno: Faculty of Business and Management, Brno University of Technology, 2015. P. 147-160.
- Financial Risk Assessment: Case of „Lietuvos Geležinkeliai“, AB / Viktorija Skvarciany and Laura Germanaitė. Open economics. 2019, 2, p. 19-29.
- The Importance of creditworthiness evaluation in the context of Lithuanian SME performance measurement / Gerda Venckevičiūtė. Ekonomika. 2015, t. 94 (2), p. 129-143.
